CT圖像增強輔助診斷系統在椎間盤突出診斷中的應用研究

黃鳴宇 吳麗梅 鄺曉東 彭偉清*

椎間盤突出癥是我國常見的慢性疾患之一，主要由椎間盤髓核、纖維環以及軟骨板退行性病變后加之外力作用下引起。纖維環斷裂后髓核脫出椎管導致神經叢機械性擠壓，產生肢體麻木、疼痛等癥狀，給患者工作和生活帶來嚴重影響。近年來，隨著人們生活方式的轉變以及老齡化進程加快，椎間盤突出癥呈上升趨勢[1]。其中，以腰椎間盤突出癥(lumbar disc herniation，LDH)增長率為主，約占新增患者90%以上[2]。臨床診斷中，由于脊柱成分及結構復雜，如何凸顯出組織及其解剖結構，尤其是脊髓、韌帶及血管等軟組織特征，精準醫學要求診斷從定性觀察提升為定量化分析診斷，對傳統診斷模式形成挑戰。采用現代數據分析理念如何深度挖掘CT影像信息，實現臨床知識轉化，進而提高診斷效率，降低閱片過程臨床醫師的精力消耗，彌補基層臨床薄弱的現狀，成為亟需解決的問題。

隨著影像學的發展和工程技術的進步，計算機斷層成像(computed tomography，CT)技術在診斷精度上已取得了長足的進步[3]。通過多排CT椎體顯像，臨床醫師可通過觀察脊柱側方代償性凸起、韌帶間骨贅、椎間隙狹窄程度等[4-5]影像特征直觀診斷LDH，逐漸成為脊柱外科影像診斷的基礎方法?；诖?，本研究采用CT圖像增強輔助診斷系統對臨床椎間盤突出診斷中的應用效果進行分析研究。

1 資料與方法

1.1 臨床資料

選擇2015年7月至2019年11月中山市中醫院收治的161例經微創手術確診為LDH患者，將其臨床醫療檔案數據作為研究樣本，其中男性93例，女性68例；年齡37～65歲，平均年齡(51.90±14.90)歲?；颊呔橛醒韧?、單(雙)側下肢麻木等癥狀，主訴癥狀持續平均時間為(1.41±0.62)年，其中25例存在腰部外傷史，11例為骶髂關節損傷，8例為椎體骨折，16例為錐孔狹窄及骨質病變。本研究已征得醫院醫學倫理會批準，且患者及家屬均知情同意。

1.2 納入與排除標準

(1)納入標準：①具有腰椎間盤突出癥的患者，并經常規CT及MRI檢查；②微創手術確診LDH的患者。

(2)排除標準：①無其他腰椎手術病史；②無完整的CT及MRI影像資料；③無癌癥及血液病等重大疾病。

1.3 儀器設備

采用Aquilion 64排CT(日本東芝公司)；Signa 1.5T核磁共振儀(美國GE公司)。

1.4 檢查方法

測試均采用Aquilion 64排CT，患者取臥姿，采用定位拍攝，掃描范圍為胸12至骶1，掃描層厚及間距均為3 mm。

1.5 CT圖像增強輔助診斷系統

通過圖像增強技術，為后續分析及臨床診斷提供層次分明、清晰直觀的影像信息?；诠δ芊治?，采用機器學習方法實現CT圖像增強處理、椎間盤的定位，并在此基礎上實現LDH風險評估，為臨床診斷提供定量分析及輔助診斷方法。CT圖像增強輔助診斷系統流程見圖1。

圖1 CT圖像增強輔助診斷系統功能流程

1.5.1 CT圖像增強

CT影像成像原理較之核磁共振圖像高低密度對比度強，但脊髓、韌帶及血管等軟組織圖像特征較弱[6]。在LDH影像中，需要采用圖像增強技術提高髓核、錐動脈、纖維環、錐間韌帶、神經叢等顯像對比度。CT圖像由于受到拍攝設備、環境、患者狀態、拍攝手法等影響，可能存在灰度分布偏差、細節失真等問題，需要采用圖像增強方法調整灰度分布并增強對比度，提高診斷效果。CT圖像增強采用直方圖均衡化算法實現圖像增強，該算法在實現圖像灰度分布均勻的基礎上避免了過度曝光的問題，同時實現了鄰域間像素間灰度關聯[7]其計算為公式1：

式中sk為轉換像素，rk為原CT圖像像素，L為灰度范圍，M為原始圖像寬度，N為原始圖像高度，Pr(rj)為像素rk出現的概率，nj為像素值為j的個數。

系統采用openCV圖像分析庫函數equalizeHist實現CT圖像增強功能：

1.5.2 椎間盤定位

為提高診斷效率，降低運算量，椎間盤診斷需要檢測受檢感興趣區域(region of interest，ROI)，即椎間盤區域。檢測精度越高，能夠最大限度剔除周邊組織，并保留目標區域[8-9]。采用深度學習Faster R-CNN算法實現脊椎輪廓、獨立椎骨輪廓ROI區域檢測功能，最終通過輪廓重疊分割出椎間盤區域[10]。

1.5.3 LDH定量分析與輔助診斷

LDH的定量分析與輔助診斷首先應完成椎間盤區域分割，精準分割結果不僅能夠降低背景圖像干擾，降低計算量，同時能夠最大程度保留椎間盤區域特征，提高定量分析準確性與輔助診斷可信性，其流程為：①椎間盤區域分割椎間盤區域分割采用深度學習U-Net網絡結合K-means聚類模型[11-12]實現；②椎間盤區域特征選擇與定量分析根據臨床先驗知識，LDH通常在CT影像中伴有椎間盤變性、鈣化、脊髓變形、硬膜囊受壓、神經根受壓、椎間盤積氣等典型特征[13-17]。

通過上述特征檢測構建支持向量機(support vector machines，SVM)分類器，實現椎間盤突出分類診斷功能，其實現過程包括選取LDH關聯特征作為SVM輸入變量，分別通過深度學習、數字圖像處理、機器學習等方法獲得對應特征信息。將提取后SVM輸入變量經預處理后結合臨床確診結果形成樣本數據，基于訓練樣本數據訓練并形成SVM輔助診斷模型。LDH特征參數及分析方法見表1。

表1 LDH特征參數及分析方法

1.6 統計學方法

采用SPSS20.0軟件對研究數據進行統計處理。率的比較采用卡方檢驗，計數資料采用x2檢驗，以P＜0.05為差異有統計學意義。

2 結果

測試結果采用Signa 1.5T核磁共振診斷結果對照分析。將161例患者的臨床醫療數據載入CT圖像增強輔助診斷系統后與核磁共振對比，系統經迭代運算后，LDH陽性檢測準確率為96.89%，已接近核磁共振陽性檢測98.14%的結果，差異無統計學意義(x2=0.51，P＞0.05)；在陰性檢測方面，CT圖像增強輔助診斷系統準確度為85.71%，低于核磁共振檢測91.43%的結果，差異無統計學意義(x2=0.56，P＞0.05)。在測試時間上，輔助診斷工具平均檢測耗時12.43 s，略快于核磁共振的13.67 s。測試結果見表2，系統運行界面見圖2。

表2 兩種檢測方法的檢測結果比較[例(%)]

圖2 系統運行界面圖

3 討論

在Faster R-CNN訓練網絡構建中，將訓練圖片序列輸入卷積神經網絡(convolutional neural networks，CNN)傳入共享卷積層，共享卷積層分別將數據轉發至特有卷積層及區域生長網絡(region proposal network，RPN)，分別提取圖塊特征。RPN提取特征信息經滑動窗及卷積層生成區域網絡建議及對應得分信息[9]。圖塊特征及區域建議輸入ROI池化層關聯后形成區域建議特征，輸入全連接層后形成區域邊框回歸及對應分類結論。

脊椎輪廓檢測模型訓練基于默認預訓練結果實現，預訓練模型采用經典CNN模型視覺幾何組(visual geometry group，VGG)[10]?；谟柧殧祿柧歊PN網絡，從訓練完成的RPN網絡中生成網絡建議，構建Faster R-CNN初始網絡。在Faster R-CNN初始網絡基礎上，分別訓練Fast R-CNN、RPN網絡。網絡收斂后更新網絡建議形成最終脊椎輪廓檢測模型。椎間盤區域的檢測中，待測CT圖像數據分別傳入脊椎輪廓、獨立椎骨輪廓ROI區域檢測模型，將脊椎輪廓檢測模型檢測后生成圖像分割掩模?；讵毩⒆倒禽喞獔D像訓練數據構建Faster R-CNN檢測模型，實現脊椎輪廓內椎骨輪廓檢測功能。

U-Net為基于全卷積網絡下語義分割深度學習網絡，具有樣本需求量小、分割準確率高、自我調節能力強、數據利用率高、訓練周期短等優點，可滿足本研究中稀疏注釋的分割圖像數據[12]?；赨-Net網絡實現椎間盤區域分割通過Faster R-CNN椎間盤定位模型分別生成對應脊椎輪廓及椎間盤區域掩模[13]。將椎間盤區域掩模與CT圖像執行邏輯與運算，屏蔽椎間盤區域外圖像背景影響，將臨床醫師標注后椎間盤區域訓練數據塊序列代入U-Net網絡輸入層，經鏡像、卷積、池化層逐層執行降采樣操作，形成圖像特征圖譜序列[14-15]。將圖像特征圖譜序列與對應圖塊標簽信息迭代訓練后形成分類網絡。網絡收斂后可將待分割圖塊序列輸入U-Net網絡模型經分類、反卷積、池化等操作形成分割結果。

SVM方法具有泛化錯誤率低、支持小樣本建模、分類準確率高等特點，能夠滿足設計功能[16-17]。椎間盤區域特征選擇與定量分析功能包括：LDH關聯特征提取、SVM輔助診斷模型訓練以及LDH輔助診斷等模塊組成。

隨著機器學習為代表的智能分析技術的發展，基于深度學習方法的數字醫學圖像分析技術已在早期肺結節篩查、糖尿病視網膜病變輔助診斷等領域應用，為椎間盤突出疾病輔助診斷及傷情評估創造了條件[18-19]。本研究采用智能分析方法針對LDH診斷中存在的圖像軟組織對比度低、定量分析及輔助診斷等問題，構建基于CT圖像的椎間盤輔助診斷工具。

腰部疼痛是LDH的主要外在表征，通常由單側或雙側的脊柱凸出神經受擠壓所致。然而，臨床上包括腰椎間盤突出癥、骶髂關節損傷、腰部椎管狹窄癥、椎體骨折、腰椎退行性病變、腰椎滑脫、腰椎間盤源性腰痛等多種疾病均可能表現為該癥狀[20-22]。如何實現上述疾病的鑒別診斷，并為臨床提供科學可靠的診斷依據成為需要解決的核心問題。從解剖特征分析，LDH的CT影像通常包括脊柱側方代償性凸起、韌帶間骨贅等定性特征以及椎間隙距離及椎間盤積氣寬度[17]等定量特征[23]?；趫D像特征實現椎間盤分割，進而通過LDH診斷特征檢測，構建鑒別診斷模型，實現LDH輔助分析功能，并為臨床提供定性定量診斷依據。

在本研究測試中，采用CT圖像增強與人工智能輔助診斷方法，其診斷結果準確，接近核磁共振診斷結果。經分析認為：CT圖像與核磁共振相比診斷直觀，可直接呈現解剖特征，結合圖像分析算法，可凸顯不同密度分辨率下組織區域，對鈣化、椎間盤積氣、組織形變等特征檢測具有較高特異性[1]的量化分析。數字圖像分析技術可增強軟組織圖像對比度，可采用相關因素間接評估椎間盤形變特征，拓展了CT診斷能力及范圍，較之肉眼觀察，受對比度、圖像噪聲干擾較小。CT檢查對脊椎椎體輪廓、骨骼細節具有較高的診斷價值，檢測經濟、快捷且患者認可度高，適合急診及體檢大規模篩查等應用場景。采用智能分析算法評估隊列樣本椎間盤積氣程度及其變化規律，可為椎間盤退行性變化、椎間盤突出預測提供診斷依據。但在本研究測試中，采用輔助診斷算法實現骶髂關節損傷診斷誤判較多，分析與算法LDH特征選擇具有相關，容易受到組織形變類疾病的干擾，故在后續研究中將引入更多相關因素，提高鑒別能力。同時，測試結果也受到樣本數量影響，如ROI檢測，前期需要采用人工標注修正區域建議特征，不斷完善模型功能，下一步將擴大樣本量，提高深度學習模型精度。

4 結論

CT圖像增強輔助診斷系統是基于數字圖像處理結合人工智能等技術，通過圖像增強、特征提取、深度學習、輔助診斷等方法，為CT診斷提供輔助診斷工具，以期提高臨床診斷效率，降低醫師工作量，彌補區域間醫療資源不平衡狀況，并通過挖掘病例中CT圖像信息，提高既往醫療檔案的利用率，以及CT診斷的精準性和特異性。